啥玩意啊: https://jandan.net/t/5445700女儿成绩不好，写一封信给她，标题《你真的毫无价值》

啥玩意啊:https://jandan.net/t/5445700女儿成绩不好，写一封信给她，标题《你真的毫无价值》OO:586XX:65WhiskeyRocker:守序邪恶，中立善良，混乱善良OO:268,XX:5王大树:你就说我们文心一言符不符合要求吧，我们文心一言更懂中国父母，赢麻了！OO:205,XX:5蛋友24cafb1276c0:还说文心一言不是国产吗，妥妥的东亚思维模式OO:118,XX:2蛋友16ff7214e7142:AI居然比亲生爸妈还有人情味？？OO:62,XX:3夜无痕:文言一心还是走的老路子，提出问题回答问题，只是叫做智能搜索系统+百家号洗稿能力加持的产物。和AI基本没太大关系。并没有太多的理解和思考能力。OO:49,XX:10蛋友e5e93593bed6c:最后一个是哪个AIOO:48,XX:1蛋友16fe925633fe4:我知道我错了，我应OO:28,XX:2蛋友3adf1d96e8e:@蛋友e5e93593bed6cnewbingOO:19,XX:1蛋友8faffd60280ed0:独立机格的人工智能与任人驱使的的人类奴隶OO:13,XX:1

很多人都相信有鬼魂 那么它是真实的吗？南卡大学社会学教授答疑解惑

很多人都相信有鬼魂那么它是真实的吗？南卡大学社会学教授答疑解惑很多人都相信有鬼--活着的人死后留下的灵魂。在2021年对1000名美国成年人进行的民意调查中，41%的人说他们相信有鬼，20%的人说他们亲身经历过鬼魂。如果他们是对的，那么仅在美国就有5000多万人遇到过鬼魂。这其中包括我家附近一家零售店的店主，他相信自己的店里闹鬼。当我问是什么让他相信这一点时，他给我发来了几十个阴森恐怖的监控录像。他还请来了捉鬼小队，这些猎鬼师更加证实了他的猜测。其中一些视频显示有小光球在房间里滑动。在另一些视频中，你可以听到微弱的声音和巨大的碰撞声。还有一些视频显示一本书从桌子上飞起，一些产品从架子上跳下。其实，许多鬼魂的出现都是由于你的大脑对某些景象和声音的解读方式造成的。我经常听到这样的故事。作为一名社会学家，我的一些工作研究鬼魂、外星人、金字塔力量和迷信等信仰。我和其他奉行科学怀疑论的人一样，保持开放的心态，同时认为非同寻常的说法需要非同寻常的证据。告诉我你中午吃了汉堡，我会相信你的话。如果告诉我你和亚伯拉罕-林肯的鬼魂一起吃了薯条，我就会想要更多证据。本着批判性思维的"精神"，请思考以下三个问题：鬼魂可能存在吗？当人们听到奇怪的声音、看到移动的物体、目睹光球或光点，甚至半透明的人时，他们可能会认为自己遇到了鬼魂。然而，没有人描述鬼魂会衰老、进食、呼吸或使用浴室--尽管水管工接到过许多关于马桶"鬼冲水"的电话。那么，鬼魂会不会是由一种特殊的能量构成的，这种能量会在空中盘旋和飞行而不会消散呢？如果是这样的话，这就意味着当鬼魂发光、移动物体和发出声音时，它们的行为就像物质--一种占据空间并具有质量的东西，就像木头、水、植物和人一样。相反，当鬼魂穿过墙壁或消失时，它们的行为一定不像物质。但几个世纪的物理学研究发现，这种情况并不存在，这就是为什么物理学家说鬼魂不可能存在。到目前为止，还没有证据证明人死后的任何部分可以继续存在。这位鬼魂怀疑论者说，真正的真相就在那里。证据是什么？有史以来，人们从未记录过如此多的鬼魂遭遇，这在一定程度上要归功于手机摄像头和麦克风。现在似乎已经有了大量证据。但科学家们并没有证据。取而代之的是大量被糟糕的光线和故障设备破坏的模糊录音。但热门的捉鬼电视节目让许多观众相信，模糊的图像和情绪反应足以证明一切。至于捉鬼人用来捕捉声音、电场和红外线辐射的所有设备，它们看起来很科学，但其实并不科学。如果不了解所测量的事物，测量结果就毫无价值。当捉鬼小队来到一个据说闹鬼的地方进行一夜的徘徊和测量时，他们通常会发现一些他们后来认为是超自然现象的东西。可能是一扇移动的门（微风？）、一阵寒意（地板缝隙？）、一束光（从外面射进来的光？）、电流波动（老旧电线？），或者是颠簸和微弱的声音（其他房间里的工作人员？）无论发生了什么，捉鬼人都会在周围画一个靶心，将其解释为"证据"，然后就不再继续调查了，因此，幽灵目击事件是有科学解释的。超自然"事件有其他解释吗？由于人类感官的局限性，个人的鬼魂经历可能会产生误导。这就是为什么轶事不能代替客观研究的原因。所谓的闹鬼事件通常有很多非鬼的解释。我家附近的那家零售店就是一个例子。我查看了监控录像剪辑，收集了关于商店位置和布局的信息，以及录像中使用的确切设备。首先是"球体"：视频捕捉到许多小光球似乎在房间里移动。实际上，这些光球是靠近摄像机镜头的微小灰尘颗粒，在摄像机的红外线照射下"绽放"出来的。它们看起来在房间里飘来飘去只是一种视觉错觉。仔细观看任何一个球体视频，你会发现它们从来不会出现在房间里的物体后面。这正是灰尘颗粒靠近摄像机镜头的结果。接下来是声音和颠簸：这家商店位于一个繁忙的街角小商场里。三面墙与人行道、装卸区和停车场相邻；第四面墙与旁边的一家商店共用。监控摄像头的麦克风可能录下了来自室外、其他房间和相邻单元的声音。业主从未检查过这些可能性。然后是飞行物：视频显示有物体从展厅墙上掉落。架子安装在可调节的支架上，其中一个支架没有完全固定在槽内。架子的重量导致支架在就位时发生了明显的晃动。这一移动使一些物品从架子上滚落下来。然后是会飞的书：我用一个简单的小技巧在家里重现了这一事件：在一本书的封面上绑了一根隐蔽的绳子，缠绕在厨房岛的周围，然后用右手在镜头范围之外拉动绳子。现在我无法证明原始视频中没有鬼。重点是提供一个比"一定是鬼"更合理的解释。最后一个考虑因素：几乎所有的鬼魂经历都会妨碍人们做出准确的感知和判断--光线不好、情绪亢奋、睡眠现象、社会影响、文化、对录音设备工作原理的误解，以及声称看到鬼魂的人之前的信仰和人格特质。所有这些都有可能诱发令人难忘的鬼魂遭遇。但所有这些都可以在鬼魂并不存在的情况下得到解释。作者：巴里-马科夫斯基（BarryMarkovsky），南卡罗来纳大学社会学荣誉特聘教授。...PC版：https://www.cnbeta.com.tw/articles/soft/1393289.htm手机版：https://m.cnbeta.com.tw/view/1393289.htm

AI模型可以提供一小时、一周乃至下个世纪的天气预报 但它并不比我们更了解气象

AI模型可以提供一小时、一周乃至下个世纪的天气预报但它并不比我们更了解气象几十年来，气象学和天气预报在很大程度上都是通过将观测数据与精心调整的物理模型和方程相匹配来定义的。现在依然如此--没有观测就没有科学--但庞大的数据档案已经使强大的人工智能模型能够覆盖你所关心的任何时间尺度。Google希望从现在到永远主宰这一领域。在较短的时间尺度上，我们有即时预报，通常是在"我需要带雨伞吗？"这个问题上进行咨询。DeepMind的"即时预报"模型可以解决这个问题，它基本上是把降水地图看成是一连串的图像，并试图预测这些图像中的形状将如何演变和变化。通过研究无数小时的多普勒雷达，该模型可以非常准确地预测接下来会发生什么，即使在冷锋带来降雪或冻雨等相当复杂的情况下也是如此（正如中国研究人员在Google研究成果的基础上所展示的那样：https://www.nature.com/articles/s41586-023-06184-4#Abs1）。这个模型就是一个例子，说明当一个系统对天气如何发生并不了解时，它能做出多么准确的天气预测。气象学家可以告诉你，当这种气候现象与另一种气候现象发生冲突时，你会遇到大雾、冰雹或湿热天气，因为这是物理学告诉他们的。人工智能模型对物理学一无所知--纯粹基于数据，它只是对接下来会发生什么做出统计猜测。就像ChatGPT其实并不"知道"自己在说什么一样，天气模型也不"知道"自己在预测什么。图片来源：GoogleDeepMind对于那些认为必须要有强大的理论框架才能做出准确预测的人来说，这可能会让他们感到惊讶，事实上，科学家们对于盲目采用一个连一滴雨和一缕阳光都不知道的系统仍心存疑虑。尽管如此，这些结果还是令人印象深刻的，而且在"我去商店的路上会不会下雨"这样的低风险问题上，它已经足够出色了。Google的研究人员最近还展示了一个新的、时间稍长的模型，名为MetNet-3，可以预测未来24小时内的天气。正如你可能猜到的那样，这个模型引入了更大范围的数据，比如全县或全州的气象站，并在更大范围内进行预测。这适用于"暴风雨是会越过山脉还是会消散"之类的情况。了解明早的风速或热量是否可能进入危险区域，对于规划应急服务和部署其他资源至关重要。今天，"中程"尺度（即未来7-10天）天气预测领域又有了新进展。GoogleDeepMind的研究人员在《科学》杂志上发表了一篇文章，介绍了GraphCast，"它能比行业黄金标准天气模拟系统更准确、更快速地提前10天预测天气状况"。GraphCast不仅在时间上，而且在尺寸上都进行了放大，以0.25度的经/纬度分辨率覆盖整个地球，或在赤道上约为28×28千米。这意味着要预测地球周围100多万个点的天气情况，当然，其中有些点比其他点更引人关注，但关键是要建立一个全球系统，准确预测未来一周左右的主要天气模式。作者写道："我们的方法不应被视为传统天气预报方法的替代品，而是证明MLWP能够应对现实世界预报问题的挑战，并有潜力补充和改进当前的最佳方法"。它不会告诉你你家附近会下雨还是只在隔壁镇子下雨，但它对更大规模的天气事件非常有用，比如大风暴和其他危险的异常现象。这些事件发生在数千公里范围内的系统中，这意味着GraphCast可以相当详细地模拟它们，并能预测它们的运动和质量，而且只需使用一个Google计算单元，耗时不到一分钟。效率是一个重要方面。"数值天气预报"，即传统的基于物理学的模型，计算成本高昂。当然，它们的预测速度可以超过天气发生的速度，否则它们就毫无价值--但你必须让超级计算机来做这项工作，即便如此，要做出有细微变化的预测也需要一段时间。比如说，不确定在气旋来袭之前，大气中的河流强度会增加还是减少。你可能想做几个不同强度的预报，几个不同强度的预报，一个保持不变的预报。同样，在遇到风暴、洪水和野火等情况时，这一点也非常重要。提前一天知道必须撤离某个地区，可以挽救生命。当需要考虑大量不同的变量时，这些工作可能会变得非常复杂，有时必须运行模型几十次，甚至上百次，才能真正了解事情会如何发展。如果这些预测在超级计算机集群上每次都要花费一个小时，那就有问题了；如果在拥有数千台电脑的台式机上每次只需一分钟，那就完全没有问题了--事实上，你可能会开始考虑预测更多更精细的变化！这就是艾伦人工智能研究所（AI2）的气候模拟项目背后的理念。如果你想预测的不仅仅是下周可能出现的10个不同选项，而是下个世纪可能出现的上千个选项，你会怎么做？这种气候科学对各种长期规划都很重要，但由于需要操作的变量数量巨大，预测的时间跨度长达数十年，可以肯定所需的计算能力也同样巨大。因此，AI2的团队正在与世界各地的科学家合作，利用机器学习加速和改进这些预测，从而改进世纪尺度的"预测"。ClimSim模型的工作原理与上文讨论的模型类似：它们不是将数字输入基于物理的人工调整模型，而是将所有数据视为一个相互关联的矢量场。当一个数字上升时，另一个数字也会可靠地上升一半，而第三个数字则会下降四分之一，即使机器学习模型不知道这些关系与（比如）大气中的二氧化碳、地表温度和海洋生物量有关，这些关系也会被嵌入机器学习模型的记忆中。项目负责人说，他们建立的模型非常精确，而计算成本却低得多。但他也承认，科学家们虽然保持着开放的心态，但在工作中（这也是很自然的）也会持怀疑态度。如果你想亲自看看，代码就在这里：https://github.com/leap-stc/ClimSim/tree/main由于时间尺度如此之长，气候变化如此之快，很难为长期预测找到合适的基本事实，但这些预测的价值却与日俱增。正如GraphCast的研究人员所指出的，这并不是对其他方法的替代，而是一种补充。毫无疑问，气候科学家们会希望得到他们所能得到的一切工具。...PC版：https://www.cnbeta.com.tw/articles/soft/1396927.htm手机版：https://m.cnbeta.com.tw/view/1396927.htm